魔芯科技发布4D世界模型MoWorld 2.0，十余种物理要素融入同一模型
魔芯科技于11月4日在乌镇世界互联网大会上发布新一代通用4D世界模型MoWorld 2.0，将重力、弹力、柔体、流体等十余种物理要素融入同一模型。模型通过物理高斯渲染器和多专家预测强化物理建模，生成场景可输出为可编辑复用的3D/4D高斯资产；在华为昇腾NPU上的实时视频推理从上一代最高50FPS提升至70FPS，推理成本最低为同规模GPU方案的30%。
全部动态
量子位AI 评分5454
TechCrunch · AIAI 评分5050 Underdog 在新演示中展示 32MB 语音模型 Woof
创业公司 Underdog 在新演示中展示 32MB 语音模型 Woof：3100 万参数、开放下载，无需联网即可在浏览器内运行。演示游戏为复古科技风格，打字机上输入的文字会被朗读，旋转调谐器可生成不同音乐。此次演示在其推出 167MB 语音转文本模型 Bark 数周后进行，该公司还发布过可在笔记本上运行的 270 亿参数模型。
量子位AI 评分5050 淘宝双11上线AI品牌短剧，阿里Wan3.0视频模型挑战商业交付场景
淘宝短剧联合天猫小黑盒、天猫国际等在双11出品多部AI品牌短剧，由阿里今年8月推出的视频生成模型Wan3.0参与制作，观众可沿商品链接、达人测评和品牌直播间一路下单。
MarkTechPostAI 评分6767 Google 发布 Gemini Omni 1.2 Flash，15 秒视频生成每秒 $0.07
Google 发布视频生成与编辑模型 Gemini Omni 1.2 Flash，原生支持最长 15 秒片段，720p 视频定价降至每秒 $0.07，较 Omni 1.1 Flash 降价 30%，已在 Google Cloud 和 Gemini API 全面可用。
Hugging Face Blog精选AI 评分6161 NVIDIA 发布 Cosmos 3 家族四个开源权重模型 用于交互式世界仿真与驾驶场景生成
NVIDIA 在 Cosmos 3 模型家族新增四个开源权重检查点，用于生成交互式世界仿真和多传感器多视角驾驶场景。四个模型均为 Cosmos 3 Nano 的后训练版本，各含 16B 可训练参数，采用 OpenMDW1.1 许可，允许按其条款商用和非商用。
推荐理由：四个开源权重模型分别覆盖驾驶仿真和机器人双臂操作，配套的四阶段后训练配方可供研究者按自己的传感器配置或本体数据做适配。
The DecoderAI 评分6363 Google Gemini Omni 1.2 Flash 视频模型全面开放，片段最长 15 秒且降价 30%
Google DeepMind 宣布视频生成模型 Gemini Omni 1.2 Flash 全面开放，片段上限从 10 秒延长到 15 秒，720p 价格下降 30% 至每秒 $0.07。
Google DeepMind精选AI 评分6868 Google DeepMind 发布 Gemini Omni 1.2 Flash，视频生成扩至 15 秒并降价 30%
Google DeepMind 发布 Gemini Omni 1.2 Flash 视频生成模型，在 Gemini API 和 Gemini for business 全面开放。
推荐理由：原文列出降价 30%、时长扩到 15 秒和多轮对话编辑等具体参数，做批量视频产出的团队可据此评估成本与选型。
Google Cloud · AI & MLAI 评分6767 Gemini Omni 1.2 Flash 视频生成与编辑模型在 Google Cloud 正式开放
Google Cloud 宣布视频生成与编辑模型 Gemini Omni 1.2 Flash 正式可用，面向产品视频、虚拟试穿和广告等批量场景，开发者可经 API 构建，Google Vids 已可用，Gemini for business 即将支持。
Google AI Blog精选AI 评分7171 Google 发布 Gemini Omni 1.2 Flash，支持 15 秒视频并降价 30%
Google DeepMind 发布 Gemini Omni 1.2 Flash，并在 Gemini API 和 Gemini for business 正式开放，Gemini Omni 系列首次全面可用。
推荐理由：官方公告列出了时长、价格和一致性等具体能力变化，开发者可以据此评估是否把视频生成工作流迁移到这个版本。
MarkTechPostAI 评分7171 OpenAI 发布 GPT-Image-2.6 Flare 与 Sunburst：新增 GIF 与 SVG 输出，Flare 最快 6 秒出图
OpenAI 发布 GPT-Image-2.6 图像模型，以 Flare 与 Sunburst 两个 API 模型形式上线 ChatGPT、Codex 和 API，官方称生成速度比此前快 50%，Flare 在低质量档最快 6 秒出图，Sunburst 主打中高画质下的细节与编辑一致性。
量子位AI 评分7373 OpenAI GPT-Image-2.6 全量上线，原生支持 GIF 动图与 SVG 导出
OpenAI 生图模型 GPT-Image-2.6 已在 ChatGPT、Codex 和 API 全量上线，免费与付费用户均可使用，整体生成时间缩短 50%，最快 6 秒出图。
Hugging Face Blog精选AI 评分6969 Gradium 发布端侧 TTS 模型 Phonon，在 Open TTS Leaderboard 多项指标领先
Gradium 在 Hugging Face 博客回顾两周前开源的端侧文本转语音模型 Phonon，无需服务器和网络即可运行。模型有约 65 MB 和 75 MB 两个版本，支持英语、法语、德语、西班牙语和葡萄牙语，内置超过 100 种声音，其中 Phonon 31m 采用 Apache 2.0 许可可商用。
推荐理由：官方详解 Phonon 端侧 TTS 的架构、许可与排行榜表现，可帮助读者评估小模型离线语音方案的适用性。
Suno · BlogAI 评分5757 Suno 上线 MIDI 导入功能，可用 MIDI 文件开启歌曲创作
Suno 上线 MIDI 起始创作功能，用户可将 .mid 或 .midi 文件拖拽到 Create 页面或经 + 菜单导入，以精确的音符和节奏数据开启歌曲创作。
MarkTechPostAI 评分5959 腾讯开源视觉语言模型 WeVisOne-VL，单模型统一检测、OCR、分割与 matting
腾讯微信视觉团队开源视觉语言模型 WeVisOne-VL，提供 2B（2.44B 参数）和 4B（4.83B 参数）两个版本，单模型覆盖检测、指代、计数、点定位、OCR、分割与 alpha matting。
OpenAI · 部署安全与系统卡精选AI 评分7171 OpenAI 发布 ChatGPT Images 2.6 系统卡，披露 Sunburst 与 Flare 图像模型安全评测
OpenAI 发布 ChatGPT Images 2.6 系统卡，更新 Sunburst 和 Flare 图像模型并披露安全评测结果。
推荐理由：官方系统卡给出图像模型的安全评测细节，读者可以对比 2.5 基线看拦截表现，了解 GIF 等新功能的风险防护思路。
Google DeepMind精选AI 评分7373 Google DeepMind 发布世界模型 Genie 4，支持实时交互与原生音频生成
Google DeepMind 发布新一代世界模型 Genie 4，开始以研究预览形式向可信测试者推出，官方称其为旗下首个原生生成音频的实时世界模型。模型原生多模态，可同步生成环境声、音乐与可交互对话，支持用键盘控制和自然语言实时修改场景，并由 Gemini 3.8 Flash 作为循环中的引导智能体拆解目标、逐步校验多步事件。
推荐理由：原文介绍原生音频与实时交互等能力的实现方式，并说明细节漂移等当前局限，便于读者判断其可用边界。
Ollama BlogAI 评分7272 Ollama 发布语音模型支持，首个模型为 Gradium 的 Phonon 文本转语音模型
Ollama 新增语音模型支持，首个模型是来自 Gradium 的 Phonon 文本转语音模型，现已支持 macOS，Windows 与 Linux 支持即将推出。
Mistral AI精选AI 评分6060 Mistral 发布 Voxtral 3 语音模型系列与语音代理 SDK
Mistral 发布 Voxtral 3，包含新一代语音转写与语音合成模型系列和一个语音代理 SDK，今日起可通过 Mistral API（欧洲、美国和全球端点）使用，并支持自部署以控制音频数据。
推荐理由：原文附定价表和多组转录、TTS 对比基准，想搭建语音代理的读者可据此估算成本并权衡 API 与自部署。
Comfy BlogAI 评分5252 Krea 3 现已通过 ComfyUI Partner Nodes 上线
Krea 3 现已通过 Partner Nodes 上线 ComfyUI，这是 Krea 的新图像模型，主打参考图驱动的生成与编辑。模型针对生成速度和单图成本做了调优，让第二轮、第三次编辑能留在同一会话内完成；支持按上传顺序编号引用多张参考图，可在保持产品标签、形状、材质不变时改动环境、光照或构图，并把满意的结果作为下一轮输入继续调整。
Comfy Blog精选AI 评分6969 FLUX 3 Image Klein 发布 5.6B 开放权重，可在 ComfyUI 中运行
Black Forest Labs 发布 FLUX 3 家族的紧凑开放权重模型 FLUX 3 Image Klein，5.6B 参数可在单张消费级 GPU 上运行，已提供 Hugging Face 下载和 ComfyUI 模板。
推荐理由：原文附 RTX 5070 出图从 71 秒降到 8 秒内的量化实测，读者可据此评估本地消费级 GPU 跑开源图像模型的成本。
HF 机构 · black-forest-labsAI 评分5353 Black Forest Labs 在 Hugging Face 发布 FLUX 3 Image Klein base 模型
Black Forest Labs 在 Hugging Face 上线 FLUX 3 Image Klein base 模型仓库，任务类型标注为 image-to-image。页面显示该模型已有 126917 次下载和 223 个点赞，正文未提供更多模型细节。
Sarvam AIAI 评分5353 Sarvam AI 发布印度语言语音合成模型 Bulbul V4 Flash
Sarvam AI 发布文本转语音模型 Bulbul V4 Flash，生产环境 time-to-first-audio 低于 250 ms，价格为每 10,000 字符 ₹20，比 V3 的 ₹30 便宜三分之一。
HF 机构 · QwenAI 评分4040 Qwen 文生图模型 Qwen-Image-2.1-Turbo
Qwen-Image-2.1-Turbo 是 Qwen 的文生图模型，其 Hugging Face 模型页显示下载量 46165、点赞 1115。页面未附更多版本细节或基准成绩。
Midjourney · UpdatesAI 评分5353 Midjourney 测试图像生成 Thinking Mode 并征集用户反馈
Midjourney 正在 Alpha 网站（alpha.midjourney.com）测试图像生成新功能 Thinking Mode，征集用户反馈。使用时在任务的 lightbox 下方点击右下角 Rerun (Thinking)，官方称测试中该功能有助于提升提示词准确度、文字排版和连贯性。
HF 机构 · openbmbAI 评分4444 openbmb 在 Hugging Face 发布 MiniCPM-V-4.7-35B-A3B 多模态模型
openbmb 在 Hugging Face 上发布了多模态模型 MiniCPM-V-4.7-35B-A3B，任务类型为图像文本到文本。模型页显示其下载量已达 613302，获 1115 个点赞。
Comfy Blog精选AI 评分6262 Gemini Nano Banana 2.1 上线 ComfyUI Partner Nodes
ComfyUI 宣布 Google 图像生成与编辑模型 Gemini Nano Banana 2.1 已通过 Partner Nodes 上线，该模型是 Nano Banana 2 的继任版本，主打价格与性能平衡。
推荐理由：原文列出思考档位、参考图上限和分辨率选项等参数，可以据此判断是否直接替换现有 Nano Banana 2 节点。
Suno · BlogAI 评分4343 Suno 精选五张不容错过的专辑
Suno 精选推荐五张不容错过的专辑，风格横跨古典民谣、乡村、80 年代合成器与电影化氛围。这些精选依托 Suno 近期上线的 Albums 功能，它可把最满意的音乐整合成完整长度的专辑项目。名单包括 Oakwood///diskrot 的 naenia、Isaiah Wallace 的 Old Soul 与 ECHLO 的 VOID 等五张。
Suno · Blog精选AI 评分6767 Suno 推出 Speech（beta），一条音轨同时生成语音与配乐
Suno 推出 Speech（beta），官方称其为首个把语音与背景音乐合成为同一条完整音轨的音频模型，现已向所有用户开放。用户输入一段文字并描述想要的嗓音与音乐风格，即可生成配上原创背景音乐的朗读音频，该功能此前已小范围测试一个月。官方提示 beta 阶段口音和戏剧性停顿尚不稳定，将根据社区反馈持续改进。
推荐理由：Suno 官方介绍了语音与配乐合为一条音轨的生成方式和用法，并坦承 beta 阶段口音与停顿还不稳定，可据此判断适用场景。
Sarvam AIAI 评分5858 Sarvam AI 发布语音识别模型 Saaras V4
Sarvam AI 发布新一代语音识别模型 Saaras V4，在全部22种印度语言上取得SOTA，并在七个英文数据集上拿到最低WER。模型由音频编码器搭配从零自研训练的 3B 混合状态空间 LLM 解码器组成，同一模型支持 transcribe、translate、verbatim、translit、codemix 五种输出格式。
Midjourney · UpdatesAI 评分4949 Midjourney 更新：编辑模型改进、样式缩略图预览与 --tile 优化
Midjourney 在 alpha.midjourney.com 上实验 fast models，并为 Styles 侧边栏新增 Live previews，可预览最新 prompt 套用喜欢与精选样式后的效果，点击缩略图即以该样式生成。
Sarvam AIAI 评分5454 Sarvam Vision 2.1 发布，在全球与印度语言文档智能基准上达到 SOTA
Sarvam AI 发布文档智能视觉语言模型 Sarvam Vision 2.1，在 olmOCR-Bench（总体 87.3）与其自建 Indic OCR Bench（总体准确率 87.39）上达到对比系统中的 SOTA，并在 olmOCR 与 OmniDocBench 两个基准的组合上处于 Pareto 前沿。
HF 机构 · QwenAI 评分4949 Qwen-Image-2.1 文生图模型（Hugging Face）
Qwen-Image-2.1 是 Qwen 在 Hugging Face 上提供的文生图（text-to-image）模型。模型页面显示其下载量达 242085，获 3569 个点赞。
Midjourney · UpdatesAI 评分5959 Midjourney alpha 更新日志：v8.2 编辑模型上线，编辑器内置于灯箱
Midjourney 向 alpha.midjourney.com 推送大版本更新，最大变化是新 v8.2 编辑模型上线，新编辑器直接内置于灯箱，可用文字指令编辑、最多附 4 张参考图并集中查看会话内的全部编辑。
GitHub Org · internlmAI 评分4444 InternLM 开源 InternLumina-U2：多码本扩散大语言模型
InternLM 在 GitHub 上推出 InternLumina-U2，这是一个采用多码本（multi-codebook）架构的扩散大语言模型。该模型支持全视觉理解，并集图像生成与编辑能力于一体。
Stability AI NewsAI 评分5656 Stability AI 推出 Stable Audio 3.0 DAW 插件并增强网页版音频创作功能
Stability AI 为 Stable Audio 3.0 推出 DAW 插件和增强版网页应用，把音频生成接入音乐制作流程。插件以 macOS AU 与 VST3 格式提供，兼容 Logic Pro 和 Ableton Live，可同步会话 BPM、生成长达六分钟的音频并保存多个版本对比；网页版支持自然语言迭代、audio-to-audio 风格变化、多轨混音与导出。
MiniMax Research Blog精选AI 评分6262 MiniMax 发布新一代开源权重音乐生成模型 Music 3.0
MiniMax 发布新一代开源权重音乐生成模型 Music 3.0，输入创作构思与可选歌词即可一次生成最长五分钟的完整歌曲。模型由基于 Qwen3.5-8B 初始化的 8B 全局 LLM 与 0.6B 局部 LLM 组成 Hybrid-LM，配合八层 RVQ、2.4B flow-matching 模块和 123M Flow-VAE 完成音频渲染。
推荐理由：原文给出 Hybrid-LM、RVQ 与 Flow-VAE 的完整架构拆解，读者可了解五分钟整曲生成如何兼顾结构与音质。
MiniMax Research Blog精选AI 评分6767 MiniMax 发布多模态生成模型 H3，支持 2K 原生立体声视频并计划开源权重
MiniMax 发布通用多模态生成模型 H3，可统一理解文本、图像、视频和音频上下文，生成最长 15 秒的 2K 分辨率视频并带原生立体声。官方称早期测试显示其已可胜任广告、电商、游戏等商业内容创作，2K 下每秒价格不到主流模型的三分之一，并计划在符合法规的前提下于近日开源模型权重。
推荐理由：原文给出与主流模型的价格对比和开源权重计划，读者可以据此评估它在商业视频内容生产中的成本空间。
Hugging Face · 趋势模型AI 评分5151 Lightricks 在 Hugging Face 发布 LTX-2.5 图生视频模型
Lightricks 在 Hugging Face 发布 LTX-2.5，模型页标注能力为 image-to-video（图生视频）。页面显示下载量 2643778、点赞 11009，feed 未提供更多技术细节。
Meta AI BlogAI 评分4141 Meta 的 SAM 3 与 DINOv3 如何驱动 Genesis Mission 首批科学项目
Meta 介绍其开源模型 SAM 3 与 DINOv3 成为美国能源部 Genesis Mission 旗下 SYNAPS-I 项目的核心分割管线，该项目由 Berkeley Lab 联合 Argonne、Brookhaven、Oak Ridge、SLAC 开展。
Meta AI Blog精选AI 评分7272 Meta 发布 Muse Image 并预览 Muse Video 媒体生成模型
Meta 发布图像生成模型 Muse Image 并预览视频生成模型 Muse Video，二者是 Meta Superintelligence Labs 开发的首批媒体生成模型。
推荐理由：图像模型以智能体方式调用搜索和代码工具，并用测试时算力换质量，读者可据此对比现有图像生成产品的技术路线差异。